Keras:LSTM 中 input_dim 和 input_length 的区别

Question

在构建 LSTM 时，我们需要通过以下方式提供输入形状信息:

input_shape = () # a tuple

或者，通过:

input_length = () # an integer
input_dim = () # an integer

我对这两个数量感到有些困惑。他们在暗示什么？

另外， input_dim 是所谓的时间步长吗？

Answer 1

我会尽量简化输入形状参数:
对于 LSTM(或一般用于 RNN)，输入形状可以通过以下方式提供:

input_shape 关键字参数:input_shape = (input_length, input_dim)其中 input_length = 序列的长度和 input_dim = 特征/变量的数量。如果未提供值，则表示可以预期任何正整数。在这里您没有提到批量大小，即训练期间权重更新的观察次数。例如
input_length = 50(这是你的序列长度)
input_dim = 10(这是你在数据中输入特征的数量)
model.add(LSTM(16, input_shape = (50,10)))

使用单独的 input_dim 和 input_length 参数
在这里，您分别指定 input_dim 即数据中的特征数和 input_length 即数据中单个观察的序列长度。例如model.add(LSTM(16, input_length= 50, input_dim =10)) .这相当于上面描述的方式

最后，您可以通过 batch_input_size 参数指定批处理的大小(上面未指定)。如果 LSTM 是有状态的，则必须预先指定批处理大小。 batch_input_size = (batch_size,input_length, input_dim)

model.add(LSTM(16,batch_input_size = (None,50,10)))相当于上面两个
model.add(LSTM(16,batch_input_size = (32,50,10)))批量大小为 32